יבוא, הפצה וקמעונאות

אם אתם מנהלים חברת יבוא או הפצה, הכסף שלכם חונה בשני מקומות: מלאי שקניתם ממנו יותר מדי, וגבייה שאף אחד לא רדף אחריה בזמן. AI תוקף את שניהם, ורק בתנאי שהוא נוחת בתוך המערכות שאתם כבר מריצים. אנחנו מאפיינים ובונים מערכות תחזית וזיהוי אנומליות שחיות בתוך Priority ודומותיה: תחזית ביקושים ברמת פריט עם מלאי ביטחון דינמי והמלצות רכש, ליבואנים ומפיצים במחזורים של כ-40 עד 115 מיליון דולר, כשמדד ההצלחה (KPI) מוגדר מראש: שיפור ‘טעות הרכש’ בלפחות 10% מהמצב הקיים. לא עוד דשבורד בצד. מספר שסמנכ״ל הכספים שלכם יכול לבקר.

מה AI באמת עושה בהפצה ובקמעונאות?#

הראיות מהתעשייה, עם סימון מקורות ביושר:

• תחזית שמחוברת להזמנה, לא לדוח. More Retail, רשת מזון הודית, חיברה תחזיות ביקושים ישירות להזמנות אוטומטיות: דיוק התחזית עלה מ-24% ל-76%, פחת בטריים ירד ב-30%, והזמינות במדף עלתה מ-80% ל-90%, על פי סיפור הלקוח של AWS עם הלקוח בשמו המלא. הלקח הוא החיבור: התחזית משתלמת כשהיא זו שמבצעת את ההזמנה.
• כמות הפריטים היא לא המכשול. Walgreens חוזה ביקושים ליותר מ-20 אלף מק״טים בכל סניף וצמצמה תחזית-יתר מ-15% ל-1%, על פי סיפור הלקוח של הספק. רזולוציית פריט בקטלוגים אמיתיים היא בעיה הנדסית פתורה.
• גם הגבייה רצה על אותה משמעת. BlueLinx, מפיץ סיטונאי אמריקאי, צמצם חובות בפיגור ב-30% והגיע ל-91% התאמת תקבולים אוטומטית, על פי סיפור הלקוח של הספק עם הלקוח בשמו. גבייה היא בעיית חיזוי: מי מתחיל לחרוג, לפני שהחריגה הופכת לחוב אבוד.

אף אחת מהחברות האלה אינה לקוחה שלנו, ולעולם לא נציג זאת אחרת. זהו בסיס הראיות למה שהטכנולוגיה עושה כשהיא מחוברת לתפעול.

מה בנינו בפועל עבור מפיצים, יבואנים וקמעונאים?#

• עיתוד מלאי ברמת פריט בסביבת ERP. אפיינו ותכננו תחזית ביקושים ברמת פריט עם מלאי ביטחון דינמי והמלצות רכש, בנויה כ-API בענן שמשתלב בתוך Priority, עבור יבואנים ומפיצים בסדרי הגודל שתוארו למעלה. מדד ההצלחה הוגדר בתוך האפיון עצמו: שיפור ‘טעות הרכש’ בלפחות 10%.
• תחזית רכש תלת-שלבית לאספקת בנייה. אפיינו עבור חברת SaaS אמריקאית לרכש בנייה מערכת בדיוק מדורג: תחזית מכירות, מעליה תחזית זמני אספקה (Lead-Time) של ספקים, ומעליהן שריון דינמי של מלאי ביטחון, עם אוטומציה משולבת ERP.
• זיהוי אנומליות בגבייה להפצת תוצרת טרייה. אפיינו עבור סיטונאי תוצרת חקלאית עם יותר מ-1,000 לקוחות: דוח זיהוי לקוחות חורגים בתשלומים עם התראות שבועיות, לצד ניטור יומי של ‘מי לא הזמין היום’, בשילוב עם ה-ERP ומערכות ההזמנות של החברה.
• כל התפעול, במערכת אחת. עבור חברת הפקות ואירועים בגודל SMB אפיינו כל תהליך עבודה וריכזנו תפעול שרץ קודם על 13 קבוצות וואטסאפ ויותר מתריסר כלים מפוזרים לתוך מערכת עבודה מבוססת monday.com: לוחות ודשבורדים שמכסים כעשרה תחומי תפעול, כ-30 אוטומציות עם לוח בקרת תקלות ייעודי, ושנתיים של היסטוריית אקסלים שהוסבו ללוחות מובנים. חי ובשימוש יומיומי בפרודקשן כבר חודשים.

הפעלים מדויקים: אפיינו ותכננו פירושו שהמימוש לא התקדם מעבר לתכנון; מערכת התפעול חיה ורצה היום.

הכול אצלנו חי ב-Priority ובאקסל. זו בעיה?#

זו נקודת הפתיחה הנורמלית, וזו בדיוק הסיבה שהתכנון שלנו משתלב בתוך Priority ודומותיה במקום להחליף אותן. היסטוריית ההזמנות, קובץ הפריטים, זמני האספקה של הספקים ודוח הגיול הם חומר הגלם. שלב האפיון מתחיל בבחינה של מה הנתונים באמת מסוגלים לשאת, ומותר לו להסתיים במסקנה שחלק מהם עדיין לא. אחד החסמים המתועדים המרכזיים אצל רוכשי AI בישראל הוא כלים שלא משתלבים עם מערכות הליבה, לצד מחסור בכישורים ושאלות אבטחה, על פי סיקור בכלכליסט של סקר KPMG-Microsoft; אצלנו שילוב עם ה-ERP הוא דרישת יום ראשון, לא שלב ב’.

איך מודדים את זה, בכנות?#

מספר אחד לכל מערכת, מוגדר לפני שבונים. לעיתוד מלאי: שיפור ‘טעות הרכש’, עם יעד של לפחות 10% מהמצב הקיים. לגבייה: היקף חובות בפיגור וזמן עד התראה. לתחזיות: מעקב טעות באופקים מוגדרים, מול תוצאות אמת, במחזור קבוע. ספק שלא יודע להגיד לכם את המספר האחד שהמערכת שלו תישפט לפיו, לימד אתכם משהו חשוב על המערכת.